Por: Genaro Ypanaque Reto, asistente GIS en Alpayana.ResumenLa asociación geoquímica Bi-Au-W en sedimentos de quebradas se relaciona espacialmente con depósitos de oro en la cuenca de Cháparra (Cordillera de la Costa, sur del Perú). Esta y otras asociaciones fueron reconocidas utilizando el método estadístico de análisis de componentes principales, siendo una herramienta eficaz para delimitar áreas de interés en la prospección geoquímica mediante el muestreo de sedimentos de quebradas.IntroducciónLa información cuantitativa obtenida de los análisis geoquímicos en muestras de sedimentos de corriente usualmente contiene una gran cantidad de variables. La técnica estadística multivariable de Análisis de Componentes Principales (ACP) utiliza las correlaciones existentes entre las variables para crear otras nuevas, que permiten reducir la información original e identificar asociaciones geoquímicas que se asocien a procesos geológicos.El presente trabajo involucra el uso de ACP de elementos traza en sedimentos de corriente de la cuenca Cháparra (Arequipa) y tiene como objetivo determinar correlaciones multivariables que sean de utilidad en prospección aurífera en el área de estudio y en entornos similares. La base de datos de geoquímica como el software estadístico utilizado para el procesamiento de información son de libre disponibilidad y pueden descargarse de: https://geocatmin.ingemmet.gob.pe/geocatmin/ y https://rstudio.com/, respectivamente.Área de estudioEste trabajo comprende la cuenca del río Cháparra, ubicada en la zona noroeste del departamento de Arequipa (Perú), ver Figura 1. La cuenca alberga cuantiosas unidades mineras, en su mayoría por tipo vetas auríferas (Chambi, 2014 y Deza, 2016).Según el Instituto Geológico, Minero y Metalúrgico (Ingemmet, 2017), los parámetros principales considerados en el diseño de muestreo son: una muestra compuesta por cada 4 km2, recolectada en quebradas de primer y segundo orden, preferentemente en la parte central del cauce y en donde no se evidencie contaminación de una u otra margen. El tamiz de malla utilizado en campo fue el ASTM N° 30 y se consideró 3 kg para muestras secas y 5 kg para húmedas. Todas las muestras fueron sometidas a digestión agua regia. Los métodos analíticos de FA y AAS se utilizaron para el oro, mientras que para el resto de los elementos se usó el ICP-MS. En total se procesaron 511 muestras correspondientes a la prospección geoquímica regional de los cuadrángulos de Cháparra y Ático.Geología regionalEn la mayor parte de la cuenca Cháparra se emplazan rocas intrusivas cretácicas del Batolito de la Costa. Hacia la parte NE y SO afloran formaciones sedimentarias y volcánico- sedimentarias del Jurásico-Cretácico. La Formación Huaylillas al oeste y la Formación Moquegua al este representan el vulcanismo del Neógeno en el área de estudio y están sobreyaciendo al resto de formaciones y cuerpos intrusivos. Respecto a la ocurrencia de mineralización aurífera, los cuerpos intrusivos del Batolito de la Costa comúnmente hospedan vetas de cuarzo-oro con espesores de 0.1 a 2.5 m (Chambi, 2014). Su emplazamiento está controlado por el contacto entre los diferentes pulsos intrusivos que forman el Batolito de la Costa en conjunto con los sistemas estructurales presentes (Palacios et al., 2011).Selección de variables y pre-procesamiento de datosSe utilizaron por cada muestra (511 en total), 29 variables o concentraciones elementales: Ti, Ba, Cr, Cu, Mn, Pb, Sr, V, Y, Zn, Zr, Li, Be, Nb, Mo, Sb, La, W, Bi, Th, U, Co, Ni, Cd, As, Hg, Au, Sn y Ag. Los valores por debajo del límite de detección fueron reemplazados por la mitad del límite de detección inferior instrumental y todas las concentraciones (en ppb o ppm) fueron recalculadas a escala logarítmica natural, con el fin de optimizar el grado de correlación estadística entre las variables. Los valores atípicos extremos superiores e inferiores no muestran influencia significante en el presente estudio, por lo que no fueron considerados en el análisis.Análisis estadísticoAnálisis bivarianteDe acuerdo con la Figura 2, existen correlaciones muy altas (≥0.8) entre las variables en estudio. Entre las más resaltantes se tiene V-Co (0.91), Ti- V (0.90), Ti-Co (0.87) y La-Th (0.87), entre otras.Análisis multivarianteTest de esfericidad de BarlettEste test se utiliza para evaluar si las variables en estudio tienen intercorrelación entre sí y se justifica un análisis factorial. Un valor de p <0.05 resulta significativo para dicho análisis (Everitt & Wykes, 2001). Para el actual estudio se tiene un valor de p <2.2e-16.Medida de adecuación muestral de KMOEste estadístico se utiliza para evaluar si las correlaciones entre pares de variables pueden ser explicadas por otras. Un valor superior a 0.70 sugiere una interrelación satisfactoria entre las variables (Hair et al., 1999). Para el presente análisis se tiene un valor de 0.81.Análisis de Componentes Principales Mediante esta técnica se puede reducir el número de variables considerando las correlaciones existentes entre las variables originales. Estos componentes explican la mayor parte de varianza total, por lo que la pérdida de información es mínima.En una primera instancia, se calcula tantas componentes como variables se tenga (29). Posteriormente, en base a criterios gráficos (Figura 3) y numéricos (Tabla 1), se selecciona el número de componentes óptimo para nuestro análisis.El criterio gráfico (Cattell, 1966), consiste en analizar la placa de sedimentación, en donde el número de componentes óptimo está representado por el punto de inflexión a partir del cual la gráfica es lineal y de poca pendiente.En la Tabla 1 las celdas resaltadas representan los componentes, y los valores contiguos inferiores a ellos son sus respectivos autovalores. El criterio numérico de raíz latente (Kaiser, 1958) asume como óptimos los componentes cuyos autovalores sean mayores a 1. En el presente estudio es óptimo trabajar con 7 componentes principales, que en su conjunto explican el 72.6% de la varianza total. Posteriormente, con el fin de visualizar los datos de mejor manera, se aplicó la rotación varimax a los componentes principales seleccionados. La Figura 4 resalta el componente RC3, el cual se relaciona principalmente con la asociación Bi-Au-W.ResultadosAsociaciones geoquímicasConsiderándose significativos los pesos factoriales mayores o iguales a 0.6, se tienen las siguientes asociaciones geoquímicas:RC1: Ti-Co-V-Mn-Y-Zn-Ni-(Cu-Zr-Cr-Sb) RC2: Th-La-Nb-(U-Be) RC3: Bi-Au-W RC4: Ba-(Mo) RC5: Zr-Cd-As-Sn RC6: Pb-(Ag) RC7: Hg-(Sr)Entre paréntesis se consignan las variables cuyos pesos factoriales son mayores o iguales a 0.5 y menores que 0.6.Mapas de componentes principalesLos componentes principales generan puntuaciones para cada punto de muestreo, por lo que es factible realizar mapas de distribución. Debido a que la cuenca Cháparra alberga en su mayoría depósitos auríferos, se analizará el componente rotado RC3. Este explica el 8.7% de la varianza total y se comporta como una nueva variable, que se relaciona con los elementos en estudio según se detalla en la Figura 5.Con el fin de establecer una comparación con las concentraciones elementales de las variables, se muestra el mapa de dispersión del Ln Bi ppb en la cuenca Cháparra.DiscusiónComo se observa en las Figuras 6 y 7, las ponderaciones RC3 de mayor intensidad se ubican en la parte SO de la cuenca. Se coinciden con altas concentraciones de Ln Bi ppb y labores de pequeña minería, que explotan vetas auríferas con leyes mínimas de 5 gr/TM (Instituto Geológico, Minero y Metalúrgico, 2018). Esta mineralización sería la fuente de los altos valores de Ln Bi ppb, cuya distribución espacial es explicada en gran medida por la nueva variable RC3.Conclusiones1. El ACP permite identificar asociaciones geoquímicas (p.ej. Bi-Au-W) mediante nuevas variables (por ejemplo, componente RC3). Los sistemas magmáticos-hidrotermales de oro en la cuenca Cháparra explican la ocurrencia de la asociación geoquímica Bi-Au-W.2. Se deduce además que el bismuto y el tungsteno se comportan como elementos pathfinder geoquímicos de oro, siendo de utilidad en prospección de vetas auríferas en entornos similares. Se concluye que el ACP, como parte de la estadística multivariable, es una herramienta efectiva para identificar asociaciones geoquímicas y delimitar áreas de interés en prospección geoquímica, por medio de muestreo en sedimentos de corriente.AgradecimientosA la E.P. de Ingeniería Geológica de la Universidad Nacional Mayor de San Marcos.Al Ing. Luis Vargas Rodríguez, por sus valiosos aportes para el desarrollo de este trabajo.BibliografíaCattell, R. 1966. The Scree Test for the Number of Factors. Multivariate Behavioral Research, 245- 276.Chambi, A. 2014. Proyecto de Explotación de la Veta la Picada por el Método Corte y Relleno Ascendente Empresa Minera Aurífera Estrella - Caravelí - Arequipa. Universidad Nacional San Agustín de Arequipa, tesis de grado, 101 p.Deza, C. 2016. Factibilidad Técnico-Económico del Proyecto de Ampliación en la Mina Abigail Estefanía en el Departamento de Arequipa. Universidad Nacional de Trujillo, tesis de grado, 85 p.Everitt, B., & Wykes, T. 2001. Diccionario de Estadística para Psicólogos. España: Ariel.Hair, J., Anderson, R. E., Tatham, R.L. & Black, W. 1999. Análisis Multivariante. Madrid: Prentice Hall. Instituto Geológico, Minero y Metalúrgico. 2017. Atlas Geoquímico del Perú. Obtenido de https://www.ingemmet.gob.pe/-/atlas-geoquimico-del-peru-segunda-version-2017Instituto Geológico, Minero y Metalúrgico. 2018. Geocatmin. Obtenido de https://geocatmin.ingemmet.gob.pe/geocatmin/Kaiser, H. 1958. The varimax criterion for analytic rotation in factor analysis. Psykometrica, 23, 187- 200.Palacios, S., Alfonso, P., & Mata-Perelló, J. 2011. Caracterización del Yacimiento de Oro de Misky, Sur del Perú. Revista de la Sociedad Española de Mineralogía,159-160.
